Automatic and effective discovery of quantum kernels

要約

量子コンピューティングは、カーネル マシンが量子カーネルを利用してデータ間の類似性の尺度を表現できるようにすることで、機械学習モデルを強化できます。
量子カーネルは、従来のデバイスでは効率的に計算できないデータ内の関係をキャプチャできます。
ただし、特定のユースケースごとに最適な量子カーネルを設計する簡単な方法はありません。
最近の文献は、量子カーネルの構築をガイドするためにデータ内の対称性の存在によってもたらされる可能性を活用することに焦点を当てていますが、ここでは、ニューラル アーキテクチャ検索や AutoML で使用されるものと同様の最適化技術を使用する、別のアプローチを採用しています。
ヒューリスティックな方法で最適なカーネルを自動的に見つけます。
私たちが提示するアルゴリズムは、組み合わせオブジェクトとして類似性尺度を実装する量子回路を構築します。これはコスト関数に基づいて評価され、メタヒューリスティック最適化手法を使用して反復的に変更されます。
コスト関数は、動的リー代数のランクなど、候補解の有利な統計的特性を保証する多くの基準をエンコードできます。
重要なのは、私たちのアプローチは、採用されている最適化手法とは無関係であるということです。
高エネルギー物理学問題に対する当社のアプローチをテストして得られた結果は、最良のシナリオでは、手動設計アプローチと比較してテスト精度を同等または向上させることができることを示しており、優れた結果をもたらす当社の技術の可能性を示しています。
労力を減らして。

要約(オリジナル)

Quantum computing can empower machine learning models by enabling kernel machines to leverage quantum kernels for representing similarity measures between data. Quantum kernels are able to capture relationships in the data that are not efficiently computable on classical devices. However, there is no straightforward method to engineer the optimal quantum kernel for each specific use case. While recent literature has focused on exploiting the potential offered by the presence of symmetries in the data to guide the construction of quantum kernels, we adopt here a different approach, which employs optimization techniques, similar to those used in neural architecture search and AutoML, to automatically find an optimal kernel in a heuristic manner. The algorithm we present constructs a quantum circuit implementing the similarity measure as a combinatorial object, which is evaluated based on a cost function and is then iteratively modified using a meta-heuristic optimization technique. The cost function can encode many criteria ensuring favorable statistical properties of the candidate solution, such as the rank of the Dynamical Lie Algebra. Importantly, our approach is independent of the optimization technique employed. The results obtained by testing our approach on a high-energy physics problem demonstrate that, in the best-case scenario, we can either match or improve testing accuracy with respect to the manual design approach, showing the potential of our technique to deliver superior results with reduced effort.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google